我中心在AI4Science领域取得新进展，相关成果被IJCAI及IEEE TNNLS接收

近日，我中心黄树东副研究员指导的2023级硕士研究生黄睿在AI4Science领域取得新进展。相关研究成果”DONIS: Importance Sampling for Training Physics-Informed DeepONet”[1]被人工智能领域顶级会议IJCAI 2025正式接收，黄树东副研究员为该论文第一作者、硕士研究生黄睿为第二作者，冯文韬副教授为唯一通讯作者。IJCAI（International Joint Conference on Artificial Intelligence）是人工智能领域的顶级国际会议之一，被中国计算机学会评定为A类学术会议（CCF-A）。本届IJCAI会议共收到5404份有效投稿，其中1042篇被录用，最终录用率为19.3%。

AI for Science（AI4Science）是近年来备受关注的重要交叉方向，致力于利用人工智能方法解决科学研究中的关键问题。AI4Science中的算子学习（Operator Learning）主要聚焦于利用深度学习模型高效逼近科学计算中的复杂算子，如偏微分方程解算器、动力系统演化映射等，被广泛应用于计算流体力学、材料科学、气候建模和生物计算等多个领域。此前，吕建成教授团队针对该方向撰写的综述论文“Partial Differential Equations Meet Deep Neural Networks: A Survey”已被人工智能领域顶级期刊IEEE Transactions on Neural Networks and Learning Systems（CCF-B，中科院1区Top）[2]接收，黄树东副研究员、冯文韬副教授为该论文共同第一作者，吕建成教授为唯一通讯作者。

背景

DeepONet 能有效学习复杂的算子映射，在求解微分方程问题中表现出色。其扩展版本 PI-DeepONet 进一步引入物理约束，在无监督或弱监督情境下也能获得良好性能。然而，物理约束与算子学习的结合显著提升了训练过程的计算复杂度，尤其在处理非线性或高维问题时，训练困难和收敛缓慢成为主要瓶颈。

图1.本文提出的DONIS模型的整体架构

方法

为提升训练效率，本文提出了一种实用且通用的加速框架：DONIS（PI-DeepONet with Importance Sampling）。该方法利用 DeepONet 架构的灵活性，设计了一个双阶段重要性采样机制，分别针对输入函数和配点（collocation points）进行采样优化。其中，对函数输入采用简易实现的采样策略，对配点则引入基于空间梯度的影响力估计，从而优先选取对目标学习贡献更大的样本，提高训练效率与预测精度。

实验

本文方法在 Allen-Cahn 方程、粘性Burgers方程和非线性扩散-反应方程三个典型 PDE 任务上进行了验证。实验结果显示，所提方法在保持物理一致性的同时，相较原始 PI-DeepONet 在收敛速度和预测精度上均有明显提升。

图2. Allen-Cahn equation实验结果

图3.Burgers’ equation实验结果

图4. nonlinear diffusion-reaction equation实验结果

总结

本文提出的 DONIS 框架通过双阶段重要性采样策略，显著提升了 PI-DeepONet 在求解复杂微分方程中的训练效率与预测精度。得益于 DeepONet 架构的灵活性和方法设计的模块化，DONIS 具有良好的泛化能力，可适配多种不同类型的 PDE 问题，尤其在无监督和弱监督场景。

文献

[1] Shudong Huang, Rui Huang, Ming Hu, Wentao Feng*, Jiancheng Lv*. DONIS: Importance Sampling for Training Physics-Informed DeepONet. In: the 34th International Joint Conference on Artificial Intelligence (IJCAI-25), 2025.

[2] Shudong Huang#, Wentao Feng#, Chenwei Tang, Zhenan He, Caiyang Yu, Jiancheng Lv*. Partial Differential Equations Meet Deep Neural Networks: A Survey. IEEE Transactions on Neural Networks and Learning Systems, 2025.

【作者简介】

黄树东

四川大学计算机学院（软件学院，智能科学与技术学院）副研究员，博导。中国计算机学会、中国人工智能学会会员，《工程科学与技术》期刊专栏副主编。研究领域为人工智能、机器学习，主要研究方向为无监督机器学习算法、图像处理、多源异构数据挖掘、深度学习及其应用研究等。目前主持国家自然科学基金、四川省重点研发项目、四川省“十四五”重大科技专项子课题等。在IEEE TNNLS、IEEE TCYB、IEEE TKDE、Pattern Recognition、Machine Learning、Data Mining and Knowledge Discovery、NeurIPS、AAAI、ACM MM等本领域国际顶级期刊和会议上发表一作/通讯作者论文近三十篇，其中多篇入选ESI全球高被引论文、四川省计算机学会年度优秀论文奖等。（曾）担任NeurIPS、CVPR、AAAI、IJCAI、ACM MM、ECCV、IJCNN等多个人工智能领域会议程序委员会委员，同时也是IEEE TPAMI、IEEE TNNLS、IEEE TCYB、IEEE TFS、IEEE TKDE、IEEE TAI、JMLR、Pattern Recognition、Neurocomputing等期刊审稿人。

黄睿

四川大学计算机学院2023级硕士研究生，师从黄树东副研究员，研究方向为AI4Science算子学习。在校期间曾参与多项纵向研究项目，包括国家重点研发项目、国家自然科学基金青年科学基金项目、面上项目、四川省重点研发项目、智能科技专项项目，授权发明专利一项，曾获四川大学三等学业奖学金。

冯文韬

四川大学计算机学院（软件学院，智能科学与技术学院）副教授，硕导。中国计算机学会、中国岩石力学与工程学会会员。研究领域为人工智能、AI4Science及数值仿真，主要研究方向为多视图学习、神经网络算子、智能仿真及其应用研究等。目前主持及参与国家自然科学基金青年基金、四川省重点研发项目、国家自然科学基金国家重大科研仪器研制项目等。在人工智能、工程技术和能源科学等多个学科领域及其交叉方向发表高水平论文近四十篇，刊物包括IEEE TNNLS、IJCAI、NeurIPS、ICCV、ACM Multimedia等IEEE Trans和中国计算机学会推荐A类国际学术会议（CCF A），以及Renewable Energy、Journal of Petroleum Science and Engineering、欧洲岩石力学大会（ISRM EUROCK）等工程技术和能源科学领域的国际权威期刊及会议，同时也是IEEE TNNLS、IEEE TCYB、IEEE TIP、IEEE TMM、CVPR、ACM Multimedia、Renewable Energy等期刊及会议的审稿人。